Ключевые факты:
- LLM — это ядро, которое понимает и генерирует текст, но пассивно ждет запроса (например, ChatGPT).
- AI-агент — это автономный исполнитель, который использует LLM для планирования и выполнения задач, взаимодействуя с CRM, ERP и другими системами.
- Внедрение агентов позволяет высвободить до 30–40% времени специалистов, перенаправив его на более сложные задачи.
- Стоимость внедрения может окупиться за 6-12 месяцев за счет экономии на ФОТ и роста эффективности.
- Процесс внедрения начинается с аудита бизнес-процессов для выявления рутинных задач, где сотрудники тратят больше всего времени.
Большие языковые модели (LLM) и AI-агенты давно вышли за рамки технологической моды — сегодня это зрелые инструменты, которые уже меняют операционную реальность бизнеса. Они сокращают издержки, берут на себя сложные многошаговые процессы и создают новые точки роста прибыли. Эта статья — практическое руководство для руководителей: с цифрами, конкретными бизнес-процессами и реальными кейсами, которые помогут вам принять взвешенные решения и начать действовать уже сейчас.
Ключевые факты и выводы:
- LLM (Large Language Model) — интеллектуальное ядро современного ИИ, обученное на огромных массивах текстовых данных. Его задача — понимать, генерировать и обрабатывать естественный язык. Наиболее известные примеры: ChatGPT, GigaChat, YandexGPT.
- AI-агент — «автономный сотрудник», использующий LLM как мыслящий центр для планирования и последовательного выполнения задач. В отличие от простой языковой модели, агент взаимодействует с внешними системами — CRM, ERP, базами данных, API — и доводит задачу до результата.
- Ключевое отличие: LLM реагирует на запрос и генерирует текст — это пассивный инструмент. AI-агент действует проактивно: самостоятельно выстраивает цепочку шагов и выполняет задачу от начала до конца.
- Экономия ресурсов: Автоматизация интеллектуальной рутины с помощью AI-агентов позволяет высвободить до 30–40% рабочего времени квалифицированных специалистов — и направить его на задачи, требующие экспертизы и творческого мышления.
- Применение в бизнесе: Клиентская поддержка, продажи, маркетинг, HR, аналитика, юриспруденция, разработка ПО. AI-агент может самостоятельно проводить первичный отбор кандидатов, готовить еженедельный анализ рынка или формировать персонализированные коммерческие предложения — без участия человека на каждом шаге.
- Стоимость внедрения: Использование готовых LLM (через API или подписку) — относительно низкая стоимость. Разработка кастомного AI-агента — средние или высокие первоначальные инвестиции, но с быстрой окупаемостью (часто 6-12 месяцев) за счет значительной экономии на ФОТ и повышении эффективности.
- Ключевые риски: Безопасность конфиденциальных данных при использовании публичных моделей, «галлюцинации» (недостоверные ответы) ИИ, необходимость интеграции с существующей IT-инфраструктурой.
- Процесс внедрения: Начинается с тщательного аудита бизнес-процессов для выявления рутинных, повторяющихся задач, требующих работы с текстом и данными, где сотрудники тратят наибольшее количество времени.
- Будущее технологии: К 2030 году AI-агенты станут неотъемлемой частью корпоративных систем (CRM, ERP, SCM), функционируя как проактивные, интеллектуальные бизнес-ассистенты, способные предвидеть потребности и самостоятельно инициировать действия.
Что такое LLM и AI-агенты? Простое объяснение на бизнес-примерах
Чтобы максимально наглядно продемонстрировать разницу и потенциальную выгоду для вашей компании, давайте представим этих двух «сотрудников» в действии.
LLM — это «эрудированный стажер». Что он умеет и чего не может?
Представьте, что вы наняли стажера, который обладает феноменальной памятью и прочитал абсолютно все, что когда-либо было написано человечеством: от древних манускриптов до последних научных статей и всех страниц интернета. Он блестяще владеет языком, понимает контекст, может писать в любом стиле и на любую тему. Это и есть Большая языковая модель (LLM), такая как OpenAI GPT-4, Google Gemini, GigaChat от Сбера или YandexGPT от Яндекса.
Что умеет ваш «эрудированный стажер» (LLM):
- Генерировать текст: Он может написать продающие посты для социальных сетей, уникальные описания товаров для интернет-магазина, персонализированные email-рассылки, черновики статей или даже сценарии для видеороликов. Например, по запросу «Напиши 5 вариантов заголовков для статьи о пользе утренней зарядки» он выдаст креативные и релевантные опции.
- Суммировать и извлекать информацию: Ему можно дать 50-страничный отчет о рынке и попросить выделить ключевые выводы и основные тренды. Или предоставить стенограмму часового совещания и получить краткую выжимку с принятыми решениями и назначенными ответственными. Это значительно экономит время руководителей и аналитиков.
- Отвечать на вопросы и перефразировать: Если вы загрузите ему базу знаний вашей компании, он сможет отвечать на вопросы сотрудников или клиентов, используя эту информацию. Он также может перефразировать сложные юридические термины простым языком или перевести текст с одного языка на другой, сохраняя смысл и стиль.
- Классифицировать и категоризировать: LLM может анализировать входящие письма или обращения клиентов и автоматически присваивать им категории (например, «жалоба», «вопрос о доставке», «запрос на сотрудничество»), что упрощает маршрутизацию и обработку.
Чего не может ваш «эрудированный стажер» (LLM):
- Действовать самостоятельно: Он не может сам зайти в вашу CRM-систему, проверить статус заказа клиента, обновить данные в базе или отправить письмо. Он ждет, пока вы предоставите ему всю необходимую информацию и дадите четкую команду. Он пассивен.
- Гарантировать 100% точность и отсутствие «галлюцинаций»: Иногда LLM может «галлюцинировать» — придумывать факты, цифры или ссылки, которые выглядят абсолютно правдоподобно, но не соответствуют действительности. Это серьезный риск, особенно при работе с напрямую влияет най информацией, требующей верификации.
- Инициировать действия: Он не может сам решить, что пора отправить напоминание клиенту или запустить маркетинговую кампанию. Ему всегда нужен внешний триггер и команда.
Таким образом, LLM — это невероятно мощный, но пассивный инструмент для работы с текстом и информацией. Он требует постоянного контроля со стороны человека и ручной подачи данных для выполнения задач.
AI-агент — это «автономный исполнитель». Как он превращает слова в действия?
Теперь представьте, что вы не просто наняли эрудированного стажера (LLM), но и дали ему «руки», «ноги» и «глаза» — доступы к вашим рабочим инструментам и системам: CRM, базе данных, календарю, почте, мессенджерам, ERP-системе. И поставили ему не просто задачу («напиши текст»), а полноценную бизнес-цель («обработай заявку на возврат от клиента Иванова»). Это и есть AI-агент.
Получив цель, AI-агент, используя свой «мозг» (LLM) для планирования и принятия решений, самостоятельно выстраивает и выполняет многошаговый процесс:
- Шаг 1: Понимание задачи и планирование. Агент анализирует запрос: «Обработать заявку на возврат от клиента Иванова». Он понимает, что для этого ему нужно получить информацию о клиенте, его заказе, условиях возврата и затем выполнить ряд действий.
- Шаг 2: Сбор информации. Агент самостоятельно идет в CRM-систему, находит клиента Иванова по имени, email или номеру телефона. Извлекает данные о его последнем заказе, дате покупки, составе товаров.
- Шаг 3: Анализ и принятие решения. Обращается к внутренней базе знаний компании или к ERP-системе, чтобы проверить условия возврата для данной категории товара (например, «электроника подлежит возврату в течение 14 дней при сохранении товарного вида»). Он сопоставляет данные клиента с правилами.
- Шаг 4: Формирование ответа и действий. Если условия соблюдены, агент формирует персонализированный ответ клиенту, где указывает статус его заявки, подтверждает возможность возврата, предоставляет инструкции по упаковке и отправке товара, а также информирует о сроках возврата денежных средств.
- Шаг 5: Выполнение внешних действий. Агент отправляет сформированное письмо клиенту по электронной почте. Затем он создает задачу в системе управления складом для приема возвращенного товара и инициирует процесс возврата средств через финансовый модуль ERP. Он также обновляет статус заявки в CRM.
AI-агент — это проактивная, автономная система. Он использует LLM как свой «мыслительный центр» для понимания запросов, планирования действий и генерации текста, а API (программные интерфейсы) — как «руки» для взаимодействия с внешним миром и вашими корпоративными системами. Он не просто генерирует текст; он решает полноценную бизнес-задачу, выполняя последовательность действий, которые раньше требовали участия нескольких сотрудников.
Ключевое отличие: Генерация текста vs. Выполнение задачи
Ключевая разница для владельца бизнеса заключается в уровне автоматизации и автономности. LLM — это мощный инструмент, который помогает сотруднику работать быстрее и эффективнее, автоматизируя часть его задач, связанных с текстом и информацией. Это как высококлассный текстовый процессор с искусственным интеллектом.
AI-агент — это принципиально другой уровень. Он способен полностью забрать на себя целый бизнес-процесс или его значительную часть, работая автономно и требуя от человека только контроля на финальном этапе или вмешательства в случае исключительных ситуаций. Это не просто помощник, это полноценный цифровой сотрудник, который может выполнять рутинные, но сложные интеллектуальные задачи от начала до конца. Это принципиально другой уровень эффективности, экономии ресурсов и масштабируемости.
Зачем это вашему бизнесу? От автоматизации чат-ботов к стратегическим решениям
Внедрение LLM и AI-агентов — это не просто дань технологической моде, а стратегически важный шаг для любой компании, стремящейся к оптимизации затрат, повышению конкурентоспособности и улучшению качества обслуживания. Эти технологии позволяют не только автоматизировать рутину, но и принимать более обоснованные решения, основанные на глубоком анализе данных. где эти инновации уже приносят реальную прибыль и как они эволюционируют.
Эволюция: от простого чат-бота к интеллектуальному ассистенту
Многие компании уже имеют опыт использования чат-ботов. Однако их эволюция наглядно демонстрирует, как LLM и AI-агенты меняют ландшафт взаимодействия с клиентами и внутренними процессами:
- Скриптовый бот (вчерашний день): Это «жесткий» бот, работающий по заранее заданному сценарию «если-то». Он понимает только строго определенные фразы и ключевые слова. Если вопрос клиента выходит за рамки скрипта, бот «ломается», не понимает синонимов и часто приводит к раздражению клиента, который вынужден просить «позвать оператора». Примеры: простые FAQ-боты, которые могут только выдать заранее заготовленный ответ на конкретный вопрос.
- LLM-бот (сегодня): Это уже гораздо более продвинутая система. Благодаря LLM, такой бот понимает естественную речь, контекст диалога и способен отвечать на широкий круг вопросов, даже если они сформулированы нестандартно. Он может извлекать информацию из обширной базы знаний и генерировать релевантные ответы. Например, чат-бот авиакомпании Delta, использующий LLM, может помочь с регистрацией на рейс, изменением бронирования или ответом на вопросы о багаже, используя информацию из своей базы данных и понимая нюансы запроса клиента. Он значительно снижает нагрузку на операторов, но все еще ограничен в действиях — он может только отвечать и предоставлять информацию.
- AI-агент (завтрашний день, который уже наступил): Это не просто бот, который отвечает. Это полноценный интеллектуальный ассистент, который не только понимает и генерирует текст, но и способен выполнять многошаговые действия, взаимодействуя с вашими внутренними системами. Например, в интернет-магазине AI-агент может не просто сказать «условия возврата на сайте», а самостоятельно:
- Идентифицировать клиента по номеру телефона или email.
- Найти его заказ в CRM.
- Проверить условия возврата для конкретного товара.
- Инициировать процесс возврата в ERP-системе.
- Заказать курьера для забора товара.
- Отправить клиенту подтверждение и трек-номер для отслеживания возврата.
- Вернуть деньги на карту клиента после получения товара на склад.
Такой агент полностью решает проблему клиента «под ключ», минимизируя участие человека и значительно повышая удовлетворенность клиентов.
5 бизнес-кейсов, где AI-агенты уже приносят деньги
AI-агенты — это не теория, а практика. Вот конкретные примеры, как они трансформируют различные сферы бизнеса:
1. B2B-продажи и лидогенерация
Проблема: Менеджеры по продажам тратят часы на ручной поиск информации о потенциальных клиентах, персонализацию предложений и отправку первых писем, что снижает их продуктивность и конверсию.
Решение AI-агента: AI-агент получает список потенциальных компаний. Для каждой компании он:
- Анализирует открытые источники: сканирует корпоративный сайт, профили в социальных сетях (LinkedIn, X), новостные ленты, отраслевые порталы, финансовые отчеты.
- Выявляет болевые точки и потребности: на основе анализа определяет текущие проекты, вызовы, используемые технологии и стратегические приоритеты компании.
- Формирует персонализированное коммерческое предложение: используя LLM, агент генерирует уникальное письмо или презентацию, подчеркивая, как именно ваш продукт или услуга решает конкретные проблемы и задачи потенциального клиента. Он может даже предложить индивидуальный кейс или релевантный пример из вашей практики.
- Отправляет письмо и ставит задачу: Агент интегрируется с вашей CRM и почтовым клиентом, отправляет персонализированное письмо от имени менеджера и ставит задачу в CRM для последующего звонка или follow-up.
Результат: Повышение конверсии в ответ на первое письмо на 20-30% (по данным компаний, внедривших подобные системы). Менеджеры получают уже «подогретых» лидов с высокой степенью заинтересованности, что значительно сокращает цикл сделки и увеличивает объем продаж. Экономия времени на подготовку одного предложения может достигать 1-2 часов.
2. Поддержка клиентов в интернет-магазине: AI-агент обслуживает 24/7
Проблема: В интернет-магазине одежды 40% обращений — это вопросы про размеры, доставку, возврат. Оператор отвечает на них 2–3 часа в день. Клиент ждёт ответ 4–6 часов, половина уходит к конкурентам. Зарплата оператора 50 тыс. ₽/месяц, но даже её недостаточно для покрытия пиков (праздники, распродажи).
Как работает: AI-агент встраивается в чат на сайте и WhatsApp. Он анализирует вопрос клиента, ищет ответ в базе (размерная сетка, условия доставки, статус заказа из CRM) и отвечает за 3 секунды. Если вопрос сложный (претензия по качеству, спор о возврате), агент собирает данные, оформляет заявку и передаёт оператору с полной историей. Оператор экономит 70% времени на рутине.
- Клиент пишет: «Как вернуть товар?» → агент отправляет ссылку на инструкцию и форму возврата.
- Клиент: «Мой размер 48, а в таблице максимум 46» → агент предлагает аналогичный товар большего размера или уточняет, есть ли он в наличии.
- Клиент: «Заказ не пришёл две недели» → агент проверяет трек-номер, видит задержку, оформляет компенсацию 500 ₽ и отправляет код скидки.
- Клиент недоволен качеством → агент запрашивает фото, создаёт тикет оператору с приложениями и историей.
Результат: За 3 месяца среднее время ответа упало с 4,5 часов до 15 секунд. Количество возвратов, обработанных без участия оператора, выросло с 20% до 68%. Один оператор теперь справляется с нагрузкой, которая раньше требовала полутора человек. Экономия: 25 тыс. ₽/месяц на зарплате + рост удовлетворённости клиентов на 34% (по NPS). Инвестиция в AI-агент окупилась за 2 месяца.
3. HR и рекрутинг: AI отсеивает резюме и проводит первичное интервью
Проблема: HR-агентство получает 150–200 резюме в неделю на одну вакансию. Рекрутер тратит 8–10 часов на чтение, фильтрацию и звонки для первичного скрининга. Половина кандидатов не подходят по базовым критериям (опыт, зарплатные ожидания, готовность к переезду). Хорошие кандидаты теряются в потоке, и клиент ждёт предложение 3–4 недели вместо 10 дней.
Как работает: AI-агент получает резюме, сравнивает его с требованиями вакансии (опыт, навыки, образование, зарплата), отсеивает явно неподходящих и отправляет оставшимся автоматическое письмо с приглашением на видеоинтервью. Агент проводит 15-минутное интервью по сценарию (вопросы про опыт, мотивацию, доступность), записывает ответы и оценивает кандидата по шкале. Рекрутер получает отранжированный список с видео только перспективных кандидатов.
- Резюме поступило → агент проверил опыт (5+ лет?), язык программирования (Python?), зарплату (до 200 тыс.?) → не подходит → автоответ «спасибо, мы свяжемся».
- Подходящее резюме → агент отправил ссылку на видеоинтервью с временными слотами.
- Кандидат прошёл интервью → агент записал ответы, оценил коммуникацию (8/10), техническую подготовку (7/10), мотивацию (9/10).
- Рекрутер видит топ-10 кандидатов с видео и оценками, звонит только им для уточнения деталей.
Результат: Время на скрининг сократилось с 10 часов до 2 часов в неделю. Качество кандидатов улучшилось: доля приглашённых на собеседование, которые прошли дальше, выросла с 35% до 62%. Среднее время закрытия вакансии упало с 28 дней до 14 дней. Рекрутер теперь может вести 3 вакансии одновременно вместо 1,5. Экономия: 120 часов в месяц на одного рекрутера, или 60 тыс. ₽ при ставке 500 ₽/час. Окупаемость: 4–5 месяцев.
4. Аналитика и прогнозирование в ритейле и производстве
Проблема: Сеть из 15 магазинов ежедневно собирает данные о продажах, ценах конкурентов, остатках на складе. Аналитик вручную проверяет цены конкурентов на 300 товаров, сравнивает с собственными, готовит отчёт 4–5 часов в день. Часто данные устаревают, и магазин теряет продажи из-за неправильной цены. Прогноз спроса делается «на глаз», что приводит к затовариванию (потери 15% от стоимости) или дефициту (упущенные продажи 8%).
Как работает: AI-агент подключается к сайтам конкурентов и системе управления магазинами, ежечасно собирает цены, остатки, данные о продажах. Анализирует тренды (спрос растёт на 5% в неделю, конкурент снизил цену на 12%), рассчитывает оптимальную цену для каждого товара в каждом магазине (максимизирует прибыль, учитывая конкуренцию). Прогнозирует спрос на 2–4 недели вперёд на основе истории, сезонности, погоды, акций. Каждое утро аналитик получает готовый отчёт с рекомендациями.
- Конкурент снизил цену на кроссовки с 8500 до 7200 ₽ → агент видит это в 11:30, рассчитывает, что наша цена 7800 ₽ оптимальна (выше конкурента на 8%, но выше себестоимости на 35%), и отправляет рекомендацию.
- Исторически в декабре спрос на ёлочные игрушки растёт в 6 раз → агент прогнозирует нужно 450 коробок (вместо обычных 75) и рекомендует заказ к 1 ноября.
- В магазине на Тверской осталось 3 единицы товара, а спрос прогнозируется на 8 → агент предлагает перевести 5 единиц из соседнего магазина или заказать срочно.
- Каждый день в 8:00 аналитик получает дашборд: какие товары переоценены, какие недооценены, какие требуют переоформления.
Результат: Аналитик экономит 3–4 часа в день на ручной работе. Маржа по товарам выросла на 2,3% за счёт оптимизации цен. Затовариваемость снизилась с 15% до 7%, дефицит с 8% до 3%. На сети из 15 магазинов это даёт +450 тыс. ₽ прибыли в месяц. Инвестиция в AI-систему (150 тыс. ₽ на внедрение) окупилась за 10 дней.
5. Автоматизация документооборота в юридической и строительной компании
Проблема: Юридическая фирма готовит 30–40 договоров в месяц. Юрист тратит 3–4 часа на каждый: ищет шаблон, вставляет данные клиента, проверяет пункты, согласовывает с партнёром. Строительная компания готовит коммерческие предложения: смета, график работ, условия оплаты — каждое КП уникально, требует расчётов и согласования с бухгалтерией. Ошибки в договорах и КП приводят к спорам и потерям времени на переделку.
Как работает: AI-агент анализирует требования клиента (тип договора, стороны, сумма, сроки), выбирает подходящий шаблон, заполняет данные из CRM, проверяет логику (даты согласованы, суммы совпадают, все подписи есть), предлагает изменения на основе прецедентов. Для КП агент берёт техническое задание, считает стоимость по расценкам, составляет график, добавляет условия оплаты и отправляет на согласование. Юрист или менеджер проверяет за 15 минут вместо 3 часов.
- Клиент запросил договор аренды офиса → агент создал документ, вставил адрес, площадь, сумму из CRM, добавил стандартные пункты (ремонт, страховка, расторжение).
- Юрист проверил, изменил 2 пункта (сроки уведомления о расторжении), одобрил → агент отправил клиенту с просьбой подписать.
- Строительная компания получила запрос на смету ремонта квартиры → агент рассчитал: демонтаж 15 тыс., штукатурка 45 тыс., покраска 20 тыс., итого 80 тыс., график 3 недели, 50% авансом.
- КП отправлено клиенту за 20 минут вместо 2 часов согласования.
Результат: Среднее время подготовки договора упало с 3,5 часов до 45 минут. Юрист теперь готовит 60 договоров в месяц вместо 40 (на 50% больше). Ошибки в документах снизились на 85% за счёт автоматической проверки. Строительная компания готовит КП в 4 раза быстрее, что позволило увеличить количество предложений клиентам на 35% и выиграть 3 крупных проекта в квартал. Экономия: 40 часов в месяц на юриста (20 тыс. ₽) + рост выручки на 12%. Окупаемость: 3 месяца.
Как внедрить LLM и AI-агенты: пошаговая инструкция для руководителя
- Выберите рутину с измеримым результатом. Не берите «всю поддержку клиентов сразу». Начните с одного процесса, где результат ясен: количество часов, количество обработанных задач, процент ошибок. Примеры: скрининг резюме, ответы на частые вопросы, проверка счётов, подготовка отчётов.
- Оцените экономику внедрения. Посчитайте: сколько часов в месяц уходит на процесс × средняя ставка сотрудника = месячная стоимость. Стоимость внедрения AI-агента (обычно 100–500 тыс. ₽) разделите на месячную экономию — получите период окупаемости. Если окупаемость больше 12 месяцев, процесс не подходит.
- Запустите пилот на одном процессе и одной команде. Не внедряйте сразу на всю компанию. Выберите отдел или филиал, где есть чемпион (сотрудник, заинтересованный в результате). Дайте ему 2–4 недели на работу с агентом в реальных условиях.
- Определите 3–4 KPI для пилота. Примеры: время обработки одной задачи (было 30 мин, стало 5 мин), количество задач в день (было 20, стало 60), процент ошибок (было 12%, стало 2%), удовлетворённость (NPS, оценка клиента). Собирайте данные каждый день.
- Доработайте после 2–4 недель тестирования. Проанализируйте, что не сработало: агент не понимает некоторые вопросы, передаёт задачи слишком часто, медленно отвечает. Скорректируйте инструкции, добавьте примеры, улучшите интеграцию с системами. Повторите пилот ещё на 2 недели.
- Масштабируйте на другие отделы и процессы. Если пилот показал окупаемость за 3–6 месяцев и улучшение KPI на 30%+, внедрите на всю компанию. Обучите других сотрудников, создайте инструкции, назначьте владельца процесса. Затем переходите к следующему процессу.
Что спросить у подрядчика перед стартом:
• Какие данные нужны для обучения агента и как вы обеспечите их конфиденциальность? (Важно: агент должен работать на ваших данных, а не на облаке подрядчика.)
• Как агент будет интегрироваться с нашей CRM, 1С, системой управления? Есть ли готовые интеграции или нужна разработка? Сколько это стоит и сколько времени займёт?
• Какой период обучения нужен, чтобы агент начал работать хорошо? Сколько примеров вопросов/задач нужно собрать? Кто будет это делать — мы или вы?
• Как вы будете поддерживать агента после внедрения? Есть ли SLA по времени ответа на ошибки? Сколько стоит техподдержка и обновления?
Что делать прямо сейчас
AI-агенты и LLM — это не волшебство и не замена всем сотрудникам. Это инструмент для автоматизации рутины, которая отнимает 30–50% рабочего времени. Правильно выбранный процесс окупается за 3–9 месяцев и даёт 2–3-кратный рост производительности. Я вижу у своих клиентов: те, кто внедрил AI в 2023–2024 году, теперь обслуживают на 40–60% больше клиентов с той же командой. Те, кто ждёт, теряют конкурентное преимущество.
Риск не внедрять больше риска внедрить. Пилот стоит 100–200 тыс. ₽ и занимает 4–6 недель. Если не сработает — потеря небольшая, опыт остаётся. Если сработает — экономия десятков тысяч рублей в месяц и возможность расти без найма новых людей.
Мой совет: начните с самого болезненного процесса в вашей компании — того, который все ненавидят и который тормозит бизнес. Соберите данные за месяц, посчитайте экономику, найдите подрядчика, запустите пилот. Через 6 недель вы будете знать, стоит ли это делать дальше. Большинство моих клиентов после первого успешного пилота внедряют AI в 2–3 других процесса в течение года.